기술 요약: NOVA – 해석 가능한 차량 추종 및 차선 변경 모델의 상징적 회귀 발견

1. 문제 정의

본 논문은 가공되지 않은 궤적 데이터로부터 인간의 운전 행동을 설명하는 해석 가능한 압축적 수학 구조를 발견하는 과제를 다룹다. 고전적인 차량 추종 모델(예: IDM, Krauss)은 연구자에 의해 결정된 고정된 함수 형태를 강요하는 반면, 딥러닝 접근 방식은 높은 예측 정확도를 제공하지만 해석력이 부족한 "블랙박스"로 작용한다. 따라서 구조적 사전 지식 없이도 자율적으로 상징적 방정식을 복구할 수 있는 방법론에 대한 공백이 존재한다.

구체적인 과학적 문제는, 인간의 차량 추종 및 차선 변경 행동이 특정 함수 형태(예: 선형, 다항식 또는 특정 포화 함수)를 사전에 가정하지 않고도 노이즈가 있는 고차원 궤적 데이터(특히 NGSIM 데이터셋)로부터 복구 가능한 저복잡도 상징적 구조를 포함하고 있는지 여부를 결정하는 것이다.

2. 방법론

2.1. NOVA 프레임워크

NOVA는 고성능의 결정론적 실행을 위해 Rust로 구현된 자율 상징적 회귀 프레임워크이다. 확률적 유전 프로그래밍 방식과 달리, NOVA는 제한된 대수적 구조 라이브러리에 대해 **결정론적 전수 조합 탐색(deterministic exhaustive combinatorial search)**을 수행한다.

• 탐색 공간: 엔진은 기초적인 운동학적 원자(속도 $v$, 선행 차량 속도 $v_l$, 선행 차량 가속도 $a_l$, 상대 속도 $\Delta v$, 간격)와 이들의 시간적 지연(lagged) 대응물로부터 파생된 10,000개 이상의 후보 대수 구조를 평가한다.
• 제약 조건: 센서 노이즈에 대한 과적합을 방지하고 물리적 운동학 원칙과 일치시키기 위해 다항식 차수는 $\le 2$로 제한된다. 결정적으로, 기존 모델 구조(예: IDM의 자유 도로 항)는 사전 지식으로 주입되지 않는다. 시간 간격(THW)이나 충돌 시간(TTC)과 같은 고차 인지 지표도 미리 포함되지 않으며, 엔진은 원자들로부터 이를 직접 합성해야 한다(예: $gap/v$를 발견하는 과정).
• 최적화: 계수는 안정성을 위해 사전 팩터화된 특이값 분해(SVD)를 사용하는 폐쇄형 최소제곱법(OLS)을 통해 계산된다.

2.2. 데이터 및 전처리

본 연구는 NGSIM I-80 및 US-101 데이터셋에서 추출한 4,765,788개의 활성 운전 관측치를 활용한다.

• 필터링: 코스팅/아이들링($|a| < 0.2$ m/s²) 및 범위를 벗어난 운동학적 데이터를 제거하기 위해 엄격한 품질 필터를 적용한다.
• 스무딩(Smoothing): 10 Hz 트래킹 지터(이중 미분 시 비물리적인 가속도 스파이크를 유발함)를 완화하기 위해 두 가지 상보적인 전처리 파이프라인을 사용한다:
  1. 파이프라인 R: 15프레임 중심의 이동 평균(rolling mean)과 0.8초 전방 이동 타겟.
  2. 파이프라인 S: 15 윈도우, 3차 오더의 Savitzky–Golay 필터와 1.0초 평균 타겟.
• 평가 프로토콜: 특정 궤적을 암기하는 것이 아니라 미지의 운전자로 일반화할 수 있도록 엄격한 **80/20 차량 ID 홀드아웃(holdout)**을 적용한다.

2.3. 발견 프로세스

발견 과정은 다단계 "잔차 캐스케이드(residual cascade)"를 따른다:

1. 1단계 (전역 법칙): 원시 데이터로부터 주요 구조 발견.
2. 2단계 (이질성): 운전자 성향(공격성) 및 속도 영역(정지-출발, 전이, 자유 흐름) 모델링.
3. 3단계 (잔차): 2단계의 잔차에 대한 두 번째 탐색을 통해 남은 구조적 신호(예: 충돌 회피)를 식별.

3. 주요 기여 및 결과

3.1. 차량 추종: 불변의 중추(Invariant Backbone)

주요 발견은 상대 속도의 쌍곡 탄젠트인 $\tanh(\Delta v)$가 인간 차량 추종의 불변하며 지배적인 항이라는 점이다.

• Rank-4 법칙: 최상위 순위 모델은 두 개의 항으로 구성된 방정식이다: $\hat{a} = -0.468 + 1.266 \tanh(\Delta v) + 0.194 \text{THW}$.
• 해석: $\tanh(\Delta v)$ 항은 상대 속도에 대한 **유계되고 포화되는 반응(bounded, saturating response)**을 포착한다. 낮은 상대 속도에서는 선형적이지만, 높은 속도에서는 가속도가 $\approx \pm 1.266$ m/s²로 포화되며, 이는 심리물리학적 베버-페히너(Weber–Fechner) 원리와 일치한다. 이 구조는 기존 모델(예: 간격에 포화를 적용하는 OVM)에는 존재하지 않았던 것이다.
• 강건성: 이 중추 구조는 8가지 서로 다른 실험 설정(파이프라인, 호라이즌, 운전자 집단, 특징 타이밍 변동)에서 독립적으로 복구되었으며, 이는 전처리 아티팩트가 아님을 확인시켜 준다.
• 운전자 이질성: 가우시안 혼합 모델(GMM)에서 유도된 연속적인 공격성 지수($\kappa$)가 $\tanh(\Delta v)$ 계수를 조절한다. 공격적인 운전자는 특히 "전이" 속도 영역에서 상대 속도에 대해 더 강한 반응을 보인다.
• 잔차 발견 (TTC): 잔차에 대한 2단계 탐색을 통해 $\tanh(\text{TTC})$가 지배적인 나머지 항임을 식별했다. 이는 데이터 기반 발견을 리(Lee)의 광학적 룸잉(optical looming) 이론인 $\tau$-이론과 연결하며, 광학 흐름 모델을 사전 지식으로 제공하지 않고도 충돌 위험에 대한 유계된 정식화를 제공한다.

3.2. 차선 변경 모델링

NOVA는 차선 변경 유틸리티 함수를 발견하기 위해 다항 로짓(Multinomial Logit, MNL) 프레임워크로 확장되었다.

• 성능: 엄격한 차량 ID 홀드아웃 하에서 502명의 미지 운전자를 대상으로 한 16개 특징 모델은 67.4%의 균형 정확도를 달 achieved했다. 이는 표준 MOBIL 베이스라인(37.6%)보다 29.8 퍼센트 포인트 높으며, 핸드 엔지니어링된 MNL 베이스라인보다 약 17 pp 높다.
• 구조: 유틸리티 함수는 방향별로 분리된다. 핵심 특징은 역 간격($1/gap$)과 **역 충돌 시간**($1/\text{TTC}$)이며, 이는 광학적 룸잉이 종방향(제동) 및 횡방향(차선 변경) 의사결정 모두에서 공유되는 안전 신호임을 확인해 준다.
• 한계: 특징 증강(더 복잡한 간격 수용 물리 추가) 및 잔차 부스팅이 "유지" 대 "변경" 결정을 구별하는 데 있어 성능 향상을 가져오지 못했다. 논문은 단일 스냅샷 운동학적 특징의 한계로 인해 발생하는 **구조적 천장(structural ceiling)**을 지적하며, 향후 연구에는 시간적 이력 특징이 필요함을 시사한다.

3.3. 교차 위치 전이(Cross-Location Transfer)

발견된 상징적 연산자는 I-80과 US-101 사이트 간에 **제로샷 전이성(zero-shot transferability)**을 입증했다.

• 한 사이트에서 학습된 모델을 다른 사이트로 전이했을 때, $R^2$ 손실은 2.5–2.8 퍼센트 포인트에 불과했으며, 로컬 오라클 성능의 97–99%를 복구했다. 이는 발견된 구조가 데이터셋 특유의 적합이 아니라 인간의 고속도로 주행의 속성임을 나타낸다.

4. 결과 및 벤치마크

• 차량 추종 정확도: 파이프라인 S(Savitzky–Golay) 하에서, NOVA는 RMSE = 1.376 m/s² ($R^2 = 15.57\%$)를 달성하여, 동일 프로토콜 하에서 최고의 재교정된 상징적 회귀 베이스라인(SR-LLM)보다 RMSE 기준 0.135 m/s² 우수한 성능을 보였다.
• 고전 모델과의 비교: IDM 및 Krauss와 같은 고전적 모델은 (IDM $R^2 = -68\%$ on Pipeline R) 고정된 함수 형태가 NGSIM 데이터의 순간적 가속도 역학에 부합하지 않기 때문에 즉각적인 경험적 스냅샷에서 낮은 성능을 보였다.
• 시뮬레이션 안정성:
  • 개방 루프(Open-Loop): 안전 오버라이드(TTC < 1.5s)를 적용했을 때, 3-패스 법칙은 30초 호라이즌 동안 2.5%의 충돌율을 기록하며, 장기 호라이즌 속도 오차 측면에서 교정된 IDM보다 우수한 성능을 보였다.
  • 군집 안정성(String Stability): 13대 차량 플래툰 시뮬레이션 결과, 안정성 비율 $\Lambda = 1.064$와 후방 파동 속도 35.4 m/s를 나타냈으며, 이는 NGSIM의 정지-출발 파동에 대한 경험적 관측치와 일치한다. 이는 설계된 제약이 아닌 창발적 속성이다.

5. 의의 및 주장

본 논문은 NOVA가 노이즈가 있는 인간 행동 데이터로부터 해석 가능한 구조적 규칙성을 복구할 수 있는 자율 상징적 회로가 가능하다는 것을 성공적으로 입증했다고 주장한다.

• 과학적 발견: 프레임워크는 이러한 함수 형태를 사전 지식으로 제공하지 않고도 $\tanh(\Delta v)$ 비선형성과 $\tanh(\text{TTC})$ 룸잉 신호를 자율적으로 식별했다. 이는 인간의 운전 행동이 고전적 모델의 고정된 가정에 의해 가려져 있던 저복잡도 상징적 구조를 포함하고 있음을 시사한다.
• 이론과 데이터의 수렴: 차량 추종과 차선 변경 맥락 모두에서 광학적 룸잉(TTC)의 데이터 기반 발견은 종방향 및 횡방향 안전 신호를 통합하는 리(Lee)의 $\tau$-이론을 뒷받격하는 대규모 경험적 증거를 제공한다.
• 방법론적 엄밀성: 엄격한 차량 ID 홀드아웃, 다중 전처리 파이프라인, 제로샷 전이 테스트를 강제함으로써, 논문은 발견된 구조가 통계적 아티팩트나 특정 데이터셋에 대한 과적합이 아닌 강건한 행동 불변량임을 논증한다.
• 한계 인정: 저자들은 모델이 고속도로 간격 추종에 특화되어 있으며(도시 교차로 데이터에서는 실패), 차선 변경 식별이 단일 스냅샷 특징의 한계에 묶여 있다는 점, 그리고 현재 결과가 2005년 미국 고속도로 데이터로 제한되어 있다는 점을 겸허히 명시하였다.

결론적으로, NOVA는 고정된 모델을 *교정(calibration)*하는 것에서 벗어나 해석 가능한 방정식을 *발견(discovery)*하는 패러다임의 전환을 제시하며, 인간의 운전 행동이 상대 속도와 광학적 룸잉에 대한 유계된 포화 반응에 의해 지배되며, 이것이 원시 데이터로부터 수학적으로 복구될 수 있음을 보여준다.